一种林业客户自动分类方法、系统及计算机可读介质与流程

本发明涉及一种林业客户自动分类方法和系统。具体的，涉及一种木材购买时潜在客户的识别方法和系统。

背景技术：

在森林工业领域，木材产品往往是一种非标准化的产品。例如同一品牌的木地板也在纹理和颜色方面存在较大差异，再例如木材艺术品则类似于其他艺术品一样具有个性化和定制化的特征。因此，在木材工业营销行业中，每件产品的销售均需要销售人员根据用户偏好、产品特征进行产品介绍和营销推广，对销售人员的知识水平要求较高，营销成本高。随着人工智能技术的进步，机器学习在零售领域的应用得到了越来越多的发展，但是现存技术多为针对标准化商品，例如快消品的用户行为识别，这些方法无法直接应用到木材产品的营销中。这是由于，木材产品的采购需要对木材样本进行详细的调查，一个采购人员的采购决策需要通过对样本调查取得的信息来完成，这在其他工业化标准化产品采购过程中是不存在的。

技术实现要素：

针对现有技术中人工销售时对客户意图分析误差较大的情况，本申请提出了一种林业客户自动分类方法。

本申请的一个方面涉及一种林业客户自动分类方法，包括：采集包括采购人员与木材的图像；将所述采集的图像输入到第一机器学习模型中，识别所述采购人员与木材的一个或多个交互行为；基于所述采购人员与木材的一个或多个交互行为，确定采购人员的类别。

在一些实施例中，所述采购人员与木材的一个或多个交互行为包括钻取样本、观察样本、测量胸径、移动样本、翻动样本中的至少一种。

在一些实施例中，所述基于所述采购人员与木材的一个或多个交互行为，确定采购人员的类别包括：根据预定义规则和识别出的一个或多个交互行为，确定采购人员的类别。

在一些实施例中，所述基于所述采购人员与木材的一个或多个交互行为，确定采购人员的类别包括：将所述采购人员与木材的一个或多个交互行为输入到第二机器学习模型，确定采购人员类别。

在一些实施例中，所述第一机器学习模型和/或所述第二机器学习模型为神经网络、支持向量机、卷积神经网络、深度神经网络、循环神经网络中的一种或多种的组合。

本申请的又一方面涉及一种林业客户自动分类系统，包括：图像传感器，用于采集包括采购人员与木材的图像；第一识别模块，用于利用第一机器学习模型识别所述采购人员与木材的一个或多个交互行为；类别确定模块，用于基于所述采购人员与木材的一个或多个交互行为，确定采购人员的类别。

在一些实施例中，所述采购人员与木材的一个或多个交互行为包括钻取样本、观察样本、测量胸径、移动样本、翻动样本中的至少一种。

在一些实施例中，所述类别确定模块根据预定义规则和识别出的一个或多个交互行为，确定采购人员的类别。

在一些实施例中，所述类别确定模块将所述采购人员与木材的一个或多个交互行为输入到第二机器学习模型，确定采购人员类别。

在一些实施例中，所述第一机器学习模型和/或所述第二机器学习模型为神经网络、支持向量机、卷积神经网络、深度神经网络、循环神经网络中的一种或多种的组合。

本申请的另一个方面涉及一种林业客户自动分类装置，包括处理器，所述处理器执行所述林业客户自动分类方法。

本申请的另一个方面涉及一种计算机可读存储介质，所述存储介质存储计算机指令，所述计算机指令被计算机读取后执行所述林业客户自动分类方法。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构和操作。

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。

图1是根据本申请的一些实施例所示的一种林业客户自动分类方法示意图；

图2是根据本申请的一些实施例所示的一种林业客户自动分类系统示意图；

图3是根据本申请的一些实施例所示的一种基于机器学习模型的林业客户自动分类方法示意图；以及

图4是根据本申请的一些实施例所示的另一种基于机器学习模型的林业客户自动分类方法示意图。

具体实施方式

在下面的详细描述中，通过示例阐述了本申请的许多具体细节，以便提供对相关披露的透彻理解。然而，对于本领域的普通技术人员来讲，本申请显而易见的可以在没有这些细节的情况下实施。应当理解的是，本申请中使用“系统”、“装置”、“单元”和/或“模块”术语，是用于区分在顺序排列中不同级别的不同部件、元件、部分或组件的一种方法。然而，如果其他表达式可以实现相同的目的，这些术语可以被其他表达式替换。

应当理解的是，当设备、单元或模块被称为“在……上”、“连接到”或“耦合到”另一设备、单元或模块时，其可以直接在另一设备、单元或模块上，连接或耦合到或与其他设备、单元或模块通信，或者可以存在中间设备、单元或模块，除非上下文明确提示例外情形。例如，本申请所使用的术语“和/或”包括一个或多个相关所列条目的任何一个和所有组合。

本申请所用术语仅为了描述特定实施例，而非限制本申请范围。如本申请说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的特征、整体、步骤、操作、元素和/或组件，而该类表述并不构成一个排它性的罗列，其他特征、整体、步骤、操作、元素和/或组件也可以包含在内。

参看下面的说明以及附图，本申请的这些或其他特征和特点、操作方法、结构的相关元素的功能、部分的结合以及制造的经济性可以被更好地理解，其中说明和附图形成了说明书的一部分。然而，可以清楚地理解，附图仅用作说明和描述的目的，并不意在限定本申请的保护范围。可以理解的是，附图并非按比例绘制。

本申请中使用了多种结构图用来说明根据本申请的实施例的各种变形。应当理解的是，前面或下面的结构并不是用来限定本申请。本申请的保护范围以权利要求为准。

在木材销售场所，木材作为一个非标准化产品，其销售只能针对个体产品进行营销。例如，在大型港口，大量进口木材堆放在一起，而销售就是采购人员在港口对木材进行观察并决定是否购买的过程。本质上，采购人员的采购决策就是通过人工对木材样本进行观察和分析的过程，所述观察和分析过程也决定了采购人员的意图特征，因此本发明所提出的方法也是基于采购人员的图像分析进而得到采购人员的类别预测。

图1为根据本申请的一些实施例所述的一种林业客户自动分类方法示意图。

在102中，采集包括采购人员和木材的图像。在一些实施例中，所述图像由图像传感器获取。

在104中，将所述采集的图像输入到第一机器学习模型中，识别所述采购人员与木材的一个或多个交互行为。在一些实施例中，所述采购人员与木材的一个或多个交互行为包括钻取样本、观察样本、测量胸径、移动样本、翻动样本中的至少一种。例如，所述包括采购人员和木材的图像中，采购人员可能正在观察年轮或表面。又例如，采购人员可能正在触摸样本。

在106中，基于所述采购人员与木材的一个或多个交互行为，确定采购人员的类别。

在一些实施例中，采购人员的类别是通过一个预定义的规则来实现的。例如，可以按照识别的状态序列来判断该采购人员的类别。例如，在一个监控周期内，采购人员的状态序列可以为：

出现->观察->移动->消失

则根据预定义的规则，判断该采购人员为浏览采购人员，也就是非潜在采购客户。在另外一次监控下，采购人员的状态序列可以为：

出现->观察->测量年轮->钻取样本->观察->翻动样本->消失

则根据预定义的规则，判断该采购人员为潜在采购客户。

在一些实施例中，采购客户的状态是与木材样本相关联的，例如当采购客户的状态为观察样本时，一个木材样本必须同时在检索结果中出现。因此，客户的状态序列可以按照其交互的木材对象进行设定。例如，观察杨树原木样本1，测量松木木板样本2等。进一步，上述采购人员的状态序列可以为：

出现->观察杨树样本1->测量杨树样本1->消失

出现->观察松树样本1->测量松树样本1->翻动松树样本1->观察松树样本1->移动

而采购人员真实的行为可能在上述杨树样本1和松树样本1之间来回切换。

需要注意的是，由于不同木材产品的销售行为不同，因此客户行为判断规则必须按照不同木材种类、不同木材产品特征进行统计，不同木材产品的采购行为往往具有非常不同的特征。

在一些实施例中，采购人员的类别可以是将所述采购人员与木材的一个或多个交互行为输入到第二机器学习模型中进行确定。所述采购人员的类别可以针对不同的需求定义不同的标签。例如，所述采购人员的类别可以是“潜在客户”、“浏览客户”、“其他”三个类别，也可以是“前期客户”、“决策期客户”、“浏览客户”等类别，以上采购人员的类别划分可根据销售的目的不同而作对应调整，均是为了方便销售人员采取相应的营销措施。

在一些实施例中，所述第一机器学习模型和/或所述第二机器学习模型通过模型训练获得。例如，对于第一机器学习模型，将标注好的采购人员和木材的交互行为的标注样本图像输入到第一模型中进行训练，进而获得所述第一机器学习模型。又例如，将所述采购人员和木材的交互行为的标注样本图像和确定的采购人员的类别作为输入，输入到第二模型中进行训练，进而获得所述第二机器学习模型。在一些实施例中，所述第一模型和所述第二模型可以是同一模型。

在一些实施例中，所述第一机器学习模型和/或所述第二机器学习模型为神经网络、支持向量机、卷积神经网络、深度神经网络、循环神经网络中的一种或多种的组合。

图2是根据本申请的一些实施例所示的一种林业客户自动分类系统示意图。如图2所示，所述林业客户自动分类系统包括图像传感器210、图像采集器220和类别确定模块230。

所述图像采集模块210用于采集包括采购人员和木材的图像。在一些实施例中，所述图像为采购人员在木材市场或者木材港口挑选木材的图像。

所述第一识别模块220用于利用第一机器学习模型识别所述采购人员与木材的一个或多个交互行为。在一些实施例中，所述采购人员与木材的一个或多个交互行为包括钻取样本、观察样本、测量胸径、移动样本、翻动样本中的至少一种。例如，所述包括采购人员和木材的图像中，采购人员可能正在观察年轮或表面。又例如，采购人员可能正在触摸样本。

所述类别确定模块230用于基于所述采购人员与木材的一个或多个交互行为，确定采购人员的类别。

如图1中步骤106所述，所述类别确定模块230可以根据预定义的规则，对第一机器学习模型识别出的一个或多个交互行为进行分析，确定出采购人员的类别。所述类别确定模块230还可以将识别出的一个或多个交互行为输入到第二机器学习模型，确定采购人员的类别。

在一些实施例中，图1所述的方法或图2所述的系统可以对历史数据进行处理。例如，将当前时间之前采集的图像输入到第一机器学习模型确定一个或多个采购人员与木材的交互行为。基于所述一个或多个交互行为确定采购人员的类别。当该采购人员再次出现时，销售人员可针对性地采用相应的营销策略。

图3是根据本申请的一些实施例所示的一种基于机器学习模型的林业客户自动分类方法示意图。如图3所示，左侧输入为经第一机器学习模型识别的一个或多个交互行为(在图3中称状态1、状态2、状态3)，经预测后的采购人员的类别分为“潜在客户”、“浏览客户”、“其他”三个类别。

在一些实施例中，采购人员的类别的预测并不局限于图3中所示的三种，而可以对客户进行更细致的划分，进而得到针对性的营销方案。例如，由于木材采购周期可能非常长，因此采购人员的类别可以为“前期客户”、“决策期客户”、“浏览客户”等。

在一些实施例中，所述采购人员的类别可以是采购人员的动作预测。所述动作预测表征采购人员接下来的状态。销售人员可根据动作预测的结果制定相应的营销策略。

图3所述的机器学习模型的功能为序列到序列的预测。也就是从输入的状态序列预测一组未来的状态序列。其中输出的状态序列长度最小可以为1，也就是仅预测下一个状态。图4为一个用于预测采购人员动作的机器学习模型的示意图，其中输出的序列为一组编码序列，通过解码便可以得到采购人员未来状态的预测。在训练图4中所示的模型时，训练数据则无需关注采购人员最后的交易结果，仅需要不断的识别采购人员连续的状态，并将该状态划分成预测前序列和预测后序列，即可生成一组训练数据。

在一些实施例中，图3和图4中所示的机器学习模型可以是循环神经网络(rnn，recurrentneuralnetwork)，状态序列可以顺次地输入至该循环神经网络中。使用上述的标注训练数据，训练该循环神经网络，可以得到相同的采购人员类别或采购人员动作预测。

与现有技术相比，本申请的有益效果表现如下：

一、通过机器视觉和神经网络模型对采购人员行为进行预测，节省了销售人员的人工成本。

二、传统的木材销售过程中销售人员对采购人员意图进行人工分析这严重依赖销售人员的销售经验，通过机器视觉及神经网络，提高了采购人员意图分析的分析精度。

以上概述了的方法的不同方面和/或通过程序实现其他步骤的方法。技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，是通过计算机可读的介质所参与或实现的。有形的、永久的储存介质包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何时间能够为软件提供存储功能的设备。

所有软件或其中的一部分有时可能会通过网络进行通信，如互联网或其他通信网络。此类通信能够将软件从一个计算机设备或处理器加载到另一个。例如：从智能机器人系统的一个管理服务器或主机计算机加载至一个计算机环境的硬件平台，或其他实现系统的计算机环境，或与智能机器人系统所需要的信息相关的类似功能的系统。因此，另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接，例如光波、电波、电磁波等，通过电缆、光缆或者空气实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备，也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质，其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。

因此，一个计算机可读的介质可能有多种形式，包括但不限于，有形的存储介质，载波介质或物理传输介质。稳定的储存介质包括：光盘或磁盘，以及其他计算机或类似设备中使用的，能够实现图中所描述的系统组件的存储系统。不稳定的存储介质包括动态内存，例如计算机平台的主内存。有形的传输介质包括同轴电缆、铜电缆以及光纤，包括计算机系统内部形成总线的线路。载波传输介质可以传递电信号、电磁信号，声波信号或光波信号，这些信号可以由无线电频率或红外数据通信的方法所产生的。通常的计算机可读介质包括硬盘、软盘、磁带、任何其他磁性介质；cd-rom、dvd、dvd-rom、任何其他光学介质；穿孔卡、任何其他包含小孔模式的物理存储介质；ram、prom、eprom、flash-eprom，任何其他存储器片或磁带；传输数据或指令的载波、电缆或传输载波的连接装置、任何其他可以利用计算机读取的程序代码和/或数据。这些计算机可读介质的形式中，会有很多种出现在处理器在执行指令、传递一个或更多结果的过程之中。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如java、scala、smalltalk、eiffel、jade、emerald、c++、c#、vb.net、python等，常规程序化编程语言如c语言、visualbasic、fortran2003、perl、cobol2002、php、abap，动态编程语言如python、ruby和groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，例如，局域网(lan)或广域网(wan)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(saas)。

本领域技术人员能够理解，本申请所披露的内容可以出现多种变型和改进。例如，以上所描述的不同系统组件都是通过硬件设备所实现的，但是也可能只通过软件的解决方案得以实现。例如：在现有的服务器上安装系统。此外，这里所披露的位置信息的提供可能是通过一个固件、固件/软件的组合、固件/硬件的组合或硬件/固件/软件的组合得以实现。

以上内容描述了本申请和/或一些其他的示例。根据上述内容，本申请还可以作出不同的变形。本申请披露的主题能够以不同的形式和例子所实现，并且本申请可以被应用于大量的应用程序中。后文权利要求中所要求保护的所有应用、修饰以及改变都属于本申请的范围。

同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档、物件等，特将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。

最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不限于本申请明确介绍和描述的实施例。